当前位置: 首页 > article >正文

Hive其七,序列化和反序列化,Serd,存储格式,压缩,以及视图view

目录

一、序列化与反列化

二、具体的Serde

1、使用默认分隔符进行演示

2、使用逗号分隔符 csv

OpenCSVSerde还可以自定义分隔符

3、json serde [最重要]

4、复杂数据类型处理

5、Regex Serde

三、hive的存储格式

textfile类型演示:

sequencefile 的使用

parquetfile 类型

rcfile类型:

orcfile类型:rcfile的升级版

四、Hive的压缩【是优化手段之一】

五、视图 view


一、序列化与反列化

在哪里听过这个词?--> 只要碰见将对象存入内存、硬盘、网络传输,对象必须序列化。对象可以想象为活物

1、Java的序列化 (implements Serializable) 讲IO流以及Web开发的时候

2、MapReduce Hadoop抛弃了java的序列化方式,自己又创建了一套,implements Writable,原因是 Java的序列化 出来的数据太大了。

3、Hive 比如 select * from t_user; --> 查询就是硬盘的数据变为控制台输出的数据,这个过程是反序列化的。

假如 insert into t_user values(1,"张三") ; --> 将一个对象变为了一个hdfs上的数据 ,这个过程是序列化。

select过程

读取磁盘上的数据,创建row对象,这种从磁盘读取文件并转换为对象的过程称之为反序列化,底层用到了InputFormat。

insert过程

将内存中的row对象,存储为磁盘上的数据,这个过程是序列化的过程,底层用到了OutputFormat。

序列化与反序列化就需要用到分隔符

1|张三|20 解析 分隔符 | --> Row对象 --> Hive --> HDFS 对象的序列化

由上面可知,分隔符在序列化与反序列化的过程中非常的重要,所以要重点学习一下。

具体来讲,就是依据serde这个工具包:

SerDe是“Serializer and Deserializer”的简称。
Hive使用SerDe(和FileFormat)来读/写表的Row对象。
HDFS文件-> InputFileFormat -> <key,value> -> Deserializer -> Row对象

Row对象->Serializer  -> <key,value> -> OutputFileFormat -> HDFS文件

二、具体的Serde

l csv: 逗号分隔值

l tsv: tab分隔值

l json: json格式的数据 --在mr中,看见json数据,使用工具类解析 fastjson,jackson,gson等

l regexp: 数据需要复合正则表达式

以上这些分隔符都不是默认分隔符,默认分隔符是:^A 或者 \001

^A八进制编码体现为'\001'

它使用的类是serde这个工具包中的哪个类呢?--> LazySimpleSerDe

每一个分隔符,都对应一个具体的类。

1、使用默认分隔符进行演示

- 行分隔符:\n
- 列分隔符:^A

创建数据:

1001^Azs^A23
1002^Alisi^A24
此处不要copy,copy也没有用,认真看注意事项中的文字

新建表:

create table if not exists csv1(
uid int,
uname string,
age int
);
-- 格式都没有指定,默认使用的就是LazySimpleSerde,记录分隔符是\n,列分隔符是^A
由于我们这个数据,它是用的默认分隔符,所以建表的时候不需要指定分隔符

加载数据:

load data local inpath '/home/hivedata/csv1.txt' overwrite into table csv1;

查询结果,发现数据正常导入。

2、使用逗号分隔符 csv

分隔符:列分隔符:逗号

常见数据: csv2.txt

1001,zs,23
1002,lisi,24

新建表:

create table if not exists csv2(
uid int,
uname string,
age int
)row format delimited
fields terminated by ',';

hive > load data local inpath '/home/hivedata/csv2.txt' overwrite into table csv2;
Loading data to table databaseName.csv2
OK
Time taken: 0.552 seconds
hive > select * from csv2;
OK
csv2.uid        csv2.uname      csv2.age
1001    zs      23
1002    lisi    24
Time taken: 0.506 seconds, Fetched: 2 row(s)

desc formatted csv2;  查看表结构

第二种建表语句:

drop table csv2;
create table if not exists csv2(
uid int,
uname string,
age int
)
row format serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde';

# Storage Information            
SerDe Library:          org.apache.hadoop.hive.serde2.OpenCSVSerde       
InputFormat:            org.apache.hadoop.mapred.TextInputFormat         
OutputFormat:           org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat       
Compressed:             No                       
Num Buckets:            -1                       
Bucket Columns:         []                       
Sort Columns:           []                       
Storage Desc Params:             
        serialization.format    1                   
Time taken: 0.186 seconds, Fetched: 33 row(s)

数据导入并查看:
hive > load data local inpath '/home/hivedata/csv2.txt' overwrite into table csv2;

hive > select * from csv2;

OpenCSVSerde还可以自定义分隔符

假如数据如下所示:使用数字7作为分隔符

10017zs723
10027lisi724

新建表:

create table if not exists csv3(
uid int,
uname string,
age int
)
row format serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
with serdeproperties(
"separatorChar"="7"
);

数据导入并查看:
hive > load data local inpath '/home/hivedata/csv3.txt' overwrite into table csv3;

hive > select * from csv3;

3、json serde [最重要]

1、理论
   json serde 可以是自己写的jar包也可以是第三方的jar包,要把这种jar包添加到hive的class path中
2、实践
   将jar包放置在/opt/modules文件夹下,然后在hive中执行如下命令:
   add jar /opt/modules/json-serde-1.3.8-jar-with-dependencies.jar;

先有json数据:

{"uid":"1","uname":"gaoyuanyuan","age":"18"}
{"uid":"2","uname":"gaolaozhuang","age":"42"}
create table if not exists json1(
uid int,
uname string,
age int
)
row format serde 'org.openx.data.jsonserde.JsonSerDe';

org.openx.data.jsonserde.JsonSerDe 这个类是第三方的类,所以要导入包

加载数据并查询:

load data local inpath '/home/hivedata/json1.txt' into table json1;

hive > select * from json1;
OK
json1.uid       json1.uname     json1.age
1       gaoyuanyuan     18
2       gaolaozhuang    42

第二个json解析的类,hive自带的:

'org.apache.hive.hcatalog.data.JsonSerDe'

新建表:
create table if not exists json2(
uid int,
uname string,
age int
)
row format serde 'org.apache.hive.hcatalog.data.JsonSerDe';

导入数据:
load data local inpath '/home/hivedata/json1.txt' into table json2;

导入之后:查询 select * from json2;
以上错误的意思是数据类型不匹配,表和数据的类型不匹配。
修改表的字段类型:
drop table json2;
create table if not exists json2(
uid string,
uname string,
age string
)
row format serde 'org.apache.hive.hcatalog.data.JsonSerDe';

假如以上使用时报类找不到异常,需要指定hive中lib的位置,一般是不报错的。

ClassNotFindExcption --> 一看到这个就是缺 jar 包

json格式数据表需要通过serde机制处理
在/opt/installs/hive/conf 下 找到 hive-site.xml 修改里面的值
在hive-site.xml中设置三方jar包
  <property>
    <name>hive.aux.jars.path</name>
    <value>/opt/installs/hive/lib/</value>
  </property>

添加配置文件后还要重启metastore以及hive客户端。

4、复杂数据类型处理

数据如下所示:
json2.txt 中的数据如下:
zs math:100,98,76 chinese:98,96,100 english:100,99,90  
ls math:60,80,70 chinese:90,66,91 english:50,51,70  

思路是,将这个数据变为json(写java代码就可以)  jackson、fastjson、gson等

{"uname":"zs","score":{"math":[100,98,76],"chinese":[98,96,100],"english":[100,99,90]}}  
{"uname":"ls","score":{"math":[60,80,70],"chinese":[90,66,91],"english":[50,51,70]}}

建表:
create table if not exists complex(
uname string,
score map<string,array<int>>
)
row format serde 'org.openx.data.jsonserde.JsonSerDe'
stored as textfile;

加载数据并查看是否正常解析:
load data local inpath '/home/hivedata/json2.txt' into table complex;
select * from complex;
add jar /opt/modules/json-serde-1.3.8-jar-with-dependencies.jar;
一般将jar包上传至hdfs上,并且把这个语句添加到  .hiverc文件中

add jar hdfs://bigdata01:9820/lib/json-serde-1.3.8-jar-with-dependencies.jar;

缺少jar包:为什么以前添加过了现在还要添加,原因是hive客户端关闭又开启,就需要重新添加

以上做法还可以这样做:

在 hive-site.xml 中指定 lib 的路径:

  <property>
    <name>hive.aux.jars.path</name>
    <value>/opt/installs/hive/lib/</value>
  </property>

重启一下 metastore 和 hiveserver2 服务,此时一切正常。

5、Regex Serde

数据准备:

01||zhangsan||23
02||lisi||24

创建一个表:


create table if not exists t_regex(
  id string,
  uname string,
  age int
)row format delimited
fields terminated by '||';

加载数据:
load data local inpath '/home/hivedata/regex.txt' into table t_regex;

hive > select * from t_regex;
OK
t_regex.id      t_regex.uname   t_regex.age
01              NULL
02              NULL
Time taken: 0.425 seconds, Fetched: 2 row(s)

发现解析是有问题的,只解析了一个 | 

使用正则表达式解析:

drop table t_regex;

create table if not exists t_regex(
  id string,
  uname string,
  age int
)
row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe'
with serdeproperties(
  'input.regex'='(.*)\\|\\|(.*)\\|\\|(.*)',
  'output.format.string'='%1$s %2$s %3$s'
)
stored as textfile;

加载数据:
load data local inpath '/home/hivedata/regex.txt' into table t_regex;

hive > select * from t_regex;
OK
t_regex.id      t_regex.uname   t_regex.age
01      zhangsan        23
02      lisi    24
Time taken: 0.351 seconds, Fetched: 2 row(s)

结论是:不设置output.format.string  也是可以的。
RegexSerDe类是hive自带的,使用正则表达式来支持复杂的data导入。
在hive0.11中,自带了两个RegexSerDe类:
org.apache.Hadoop.hive.contrib.serde2.RegexSerDe;
org.apache.hadoop.hive.serde2.RegexSerDe;
这两个类的区别在:
org.apache.hadoop.hive.serde2.RegexSerDe; 不支持output.format.string设定,设定了还会报警~~~~
org.apache.hadoop.hive.contrib.serde2.RegexSerDe;全部支持,功能比org.apache.hadoop.hive.serde2.RegexSerDe更强大,推荐使用org.apache.hadoop.hive.contrib.serde2.RegexSerDe。
下面对RegexSerDe类的介绍都是指:org.apache.hadoop.hive.contrib.serde2.RegexSerDe
[08S01][1] Error while processing statement: FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. java.lang.RuntimeException: MetaException(message:org.apache.hadoop.hive.serde2.SerDeException org.apache.hadoop.hive.contrib.serde2.RegexSerDe only accepts string columns, but column[0] named uid has type int)

总结:

Serde 其实就是序列化与反序列化,它的本质上讲的是如何解析文档数据,进入hive,如何从hive展示数据。

可以理解为分隔符,每一个分隔符都应的都有 某个具体的Serde 工具类。

创建表的时候,假如指定了某个Serde 就说明,默认解析格式被修改了,需要按照指定的格式进行解析。

三、hive的存储格式

1) 四种存储格式

hive的存储格式分为两大类:一类纯文本文件,一类是二进制文件存储。

Hive支持的存储数据的格式主要有:TEXTFILE、SEQUENCEFILE、ORC、PARQUET

第一类:纯文本文件存储

textfile: 纯文本文件存储格式,不压缩,也是hive的默认存储格式,磁盘开销大,数据解析开销大

第二类:二进制文件存储

- sequencefile:

会压缩,不能使用load方式加载数据

- parquet:

会压缩,不能使用load方式加载数据

- rcfile:

会压缩,不能load。查询性能高,写操作慢,所需内存大,计算量大。此格式为行列混合存储,hive在该格式下,会尽量将附近的行和列的块存储到一起。

- orcfile:rcfile的升级版。

2)列式存储和行式存储

TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的;

ORC和PARQUET是基于列式存储的。

行式存储:查找某一条整行数据比较快

列式存储:查找某个字段比较快 select name from user;

修改hive的默认存储格式:

<property>
  <name>hive.default.fileformat</name>
  <value>TextFile</value>
  <description>
    Expects one of [textfile, sequencefile, rcfile, orc].
    Default file format for CREATE TABLE statement. Users can explicitly override it by CREATE TABLE ... STORED AS [FORMAT]
  </description>
</property>

也可以使用set方式修改:
set hive.default.fileformat=TextFile

3)实操一下:

首先将一个18.1M的数据上传至 /home/hivedata/,这个文件叫做stocks.log

textfile类型演示:

create table stocks_1 (
  track_time string,
  url string,
  session_id string,
  referer string,
  ip string,
  end_user_id string,
  city_id string
)
row format delimited fields terminated by '\t'
stored as textfile;

load data local inpath '/home/hivedata/stocks.log' into table stocks_1;
在linux的命令行上使用hdfs dfs -put方法去上传到指定目录下。

可以查看到数据,说明是文本类型的。

sequencefile 的使用

create external table if not exists stocks_seq_1 (
  track_time string,
  url string,
  session_id string,
  referer string,
  ip string,
  end_user_id string,
  city_id string
)
row format delimited fields terminated by '\t'
stored as sequencefile;

由于不能load数据,从普通表中查询出来插入进入。
使用insert into的方式加载数据
insert into stocks_seq_1 select * from stocks_1 ;
或者使用克隆的方式:
create table stocks_seq_2 stored as sequencefile as select * from stocks_1;

查看数据,是乱码,说明是二进制文件

parquetfile 类型

create external table if not exists stocks_parquet (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited
fields terminated by '\t'
stored as parquet;

使用insert into的方式加载数据
insert into stocks_parquet select * from stocks_1 ;
或者使用克隆的方式:
create table stocks_parquet_1 stored as parquet as select * from stocks_1;

rcfile类型:

create external table if not exists stocks_rcfile (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited
fields terminated by '\t'
stored as rcfile;

使用insert into的方式加载数据
insert into stocks_rcfile select * from stocks_1;
或者使用克隆的方式:
create table stocks_rcfile_2 stored as rcfile as select * from stocks_1;

orcfile类型:rcfile的升级版

create external table if not exists stocks_orcfile (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited
fields terminated by ','
stored as orcfile;

使用insert into的方式加载数据
insert into stocks_orcfile select * from stocks_1;
或者使用克隆的方式:
create table stocks_orcfile_2 stored as orcfile as select * from stocks_1;

查询速度和压缩比例对比:

select count(*) from stocks_1;
select count(*) from stocks_seq_1;
select count(*) from stocks_parquet;       
select count(*) from stocks_rcfile;
select count(*) from stocks_orcfile;
比较一下上述五个查询所需要的时间

文件存储格式是真正的压缩吗? 每一种文件文件格式有一定的压缩比例,但是不是真正的压缩,而是文件格式带来的。

四、Hive的压缩【是优化手段之一】

hive的压缩使用的是工具压缩,跟存储格式自带压缩不是一回事儿。

HQL语句最终会被编译成Hadoop的Mapreduce job,因此hive的压缩设置,实际上就是对底层MR在处理数据时的压缩设置。

1)hive在map阶段压缩

map阶段的设置, 就是在MapReduce的shuffle阶段对mapper产生的中间结果数据压缩 。 在这个阶段,优先选择一个低CPU开销的算法。因为map阶段要将数据传递给reduce阶段,使用压缩可以提高传输效率。

<!-- 指定要不要开启中间压缩 -->
<property>
    <name>hive.exec.compress.intermediate</name>
    <value>false</value>
</property>

<!-- 指定中间压缩想要使用的压缩编码器(类文件) -->
<property>
    <name>hive.intermediate.compression.codec</name>
    <value/>
</property>

<!-- 指定压缩编码器中的那种压缩类型 -->
<property>
    <name>hive.intermediate.compression.type</name>
    <value/>
</property>

2)hive在reduce阶段的压缩

<!-- 指定要不要开启最终压缩。 -->
<property>
  <name>hive.exec.compress.output</name>
  <value>false</value>
</property>

注意:如果开启,默认使用中间压缩配置的压缩编码器和压缩类型

3)常见的压缩类型

企业中一般使用snappy和lzo进行压缩。

4)压缩编码器

5)实战一下

-- 开启中间压缩机制
hive > set hive.exec.compress.intermediate=true;
-- 设置中间压缩编码器
hive > set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.DefaultCodec;
-- 设置压缩类型
hive > set hive.intermediate.compression.type=RECORD;
-- 开启reduce端的压缩机制
hive > set hive.exec.compress.output=true;
-- 创建表
create external table if not exists stocks_seq_2 (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited
fields terminated by ','
stored as sequencefile;

--动态加载数据:
insert into stocks_seq_2 select * from stocks_1;

使用压缩后:16.71M

使用压缩前:19.37M

压缩工具如何判断好坏? 压缩比例高,解压速度快!

五、视图 view

这个来自于数据库,mysql就有视图。

复习mysql的视图:

类似于虚拟表或者临时表,本身不存储数据。
创建视图的语句:
create view 视图的名字 as  select 语句。

跟虚拟表的区别是:创建了视图,可以反复使用,不会因为你关闭客户端而消失。

创建一个视图:

create view v_emp_dept as
select emp.*,dept.dname,dept.loc from emp join dept on emp.deptno=dept.deptno;

使用视图:

select * from v_emp_dept where deptno=30;

删除视图:

drop view v_emp_dept;

以上是mysql视图的演示,hive也支持视图:

create view if not exists v_1 as select * from t_user  ;

show tables; 
show create table v_1; 
desc v_1;
drop view if exists v_1;

hive 高版本的不支持索引了,所以使用 datagrip 的时候,hive.log 中会出现大量的错误。大概是 show index.... 错误

arry_contains()作用:判断数组是否包含某元素

语法:array_contains(数组,值),返回布尔类型

第五题:
有如下数据,表示1、2、3三名学生选修了a、b、c、d、e、f中的若干课程
id  course
1   a
1   b
1   c
1   e
2   a
2   c
2   d
2   f
3   a
3   b
3   c
3   e
根据如上数据,查询出如下结果,其中1表示选修,0表示未选修
id  a  b  c  d  e  f
1   1  1  1  0  1  0
2   1  0  1  1  0  1
3   1  1  1  0  1  0

SQL:
--第一种方法
select id,
       sum(case when course='a' then 1 else 0 end ) a,
       sum(case when course='b' then 1 else 0 end ) b,
       sum(case when course='c' then 1 else 0 end ) c,
       sum(case when course='d' then 1 else 0 end ) d,
       sum(case when course='e' then 1 else 0 end ) e,
       sum(case when course='f' then 1 else 0 end ) f
       from zhoukao03 group by id;
--第二种方法
select id,
       if(array_contains(collect_set(course),'a'),1,0) a,
       if(array_contains(collect_set(course),'b'),1,0) b,
       if(array_contains(collect_set(course),'c'),1,0) c,
       if(array_contains(collect_set(course),'d'),1,0) d,
       if(array_contains(collect_set(course),'e'),1,0) e,
       if(array_contains(collect_set(course),'f'),1,0) f
       from courses group by id;

假如查询出如下结果

id     a        b          c         d            e            f
1   选修  选修      选修   未选修    选修      未选修
2   选修  未选修  选修    选修      未选修   选修
3   选修  选修     选修    未选修    选修      未选修


create  table courses (
id  int,
course string
)
row format delimited
fields terminated by '\t';
 
load data local inpath '/home/hivedata/zuoye5.txt' into table courses;
 
select id,
       if(array_contains(collect_set(course),'a'),'选修','未选修') a,
       if(array_contains(collect_set(course),'b'),'选修','未选修') b,
       if(array_contains(collect_set(course),'c'),'选修','未选修') c,
       if(array_contains(collect_set(course),'d'),'选修','未选修') d,
       if(array_contains(collect_set(course),'e'),'选修','未选修') e,
       if(array_contains(collect_set(course),'f'),'选修','未选修') f
       from courses group by id;

http://www.kler.cn/a/449040.html

相关文章:

  • SSD目标检测算法
  • react中使用ResizeObserver来观察元素的size变化
  • 应用端sql慢查询监控分析
  • VSCode 搭建Python编程环境 2024新版图文安装教程(Python环境搭建+VSCode安装+运行测试+背景图设置)
  • Zookeeper基本命令解析
  • pyparsing如何实现嵌套捕获
  • 【解决】Linux更新系统内核后Nvidia-smi has failed...
  • vscode Ctrl D 复制到下一行 快捷键
  • 【机器学习】机器学习的基本分类-强化学习-模型预测控制(MPC:Model Predictive Control)
  • Springboot高并发乐观锁
  • Maven的概念
  • 【数理统计】假设检验
  • 【尚硅谷 - SSM+SpringBoot+SpringSecurity框架整合项目 】项目打包并且本地部署
  • devops和ICCID简介
  • ‌QPainter在Qt中三种类型的渐变
  • AOP中动态代理详解
  • 因子分解(递归)
  • Farfalle - 开源的AI搜索引擎
  • 基于微信小程序的在线选课系统springboot+论文源码调试讲解
  • 5G学习笔记之Non-Public Network
  • SQL Server 批量插入数据的方式汇总及优缺点分析
  • 从零开始C++棋牌游戏开发之第四篇:牌桌界面与交互实现
  • GKE中使用Google Cloud Monitoring监控和Stackdriver Logging查看日志
  • postgreSql对分钟级的降雨数据进行插值为整小时
  • 4 软件工程——总体设计
  • 【Android】Android生成二维码并动态刷新